MODELO COMBINADO DE RED DE FLUJO Y
TRASPORTE: SOLUCIÓN INTEGRADA PARA
LA EFICIENCIA EN PRODUCCIÓN DE AZÚCAR
COMBINED FLOW NETWORK AND TRANSPORTATION
MODEL: AN INTEGRATED SOLUTION FOR EFFICIENCY
IN SUGAR PRODUCTION
Danna Paola Barrientos Fernández
Universidad Tecnológica del Centro de Veracruz, México
Eduardo Javier Cortes Zetina
Universidad Tecnológica del Centro de Veracruz, México
Rocío Ramos Hernández
Universidad Tecnológica del Centro de Veracruz, México
Lorena Alcudia Chagala
Universidad Tecnológica del Centro de Veracruz, México
Mercedes Morales Barragán
Universidad Tecnológica del Centro de Veracruz, México
pág. 12449
DOI: https://doi.org/10.37811/cl_rcm.v9i4.20059
Modelo Combinado de Red de Flujo y Trasporte: Solución Integrada para
la Eficiencia en Producción de Azúcar
Danna Paola Barrientos Fernández1
20223f101010@utcv.edu.mx
https://orcid.org/0009-0007-3182-3500
Universidad Tecnológica del Centro de Veracruz
Cuitláhuac, México
Eduardo Javier Cortes Zetina
eduardo.cortes@utcv.edu.mx
https://orcid.org/0009-0009-4383-8747
Universidad Tecnológica del Centro de Veracruz
Cuitláhuac, México
Rocío Ramos Hernández
rocio.ramos@utcv.edu.mx
https://orcid.org/0000-0002-7057-6406
Universidad Tecnológica del Centro de Veracruz
Cuitláhuac, México
Lorena Alcudia Chagala
lorena.alcudia@utcv.edu.mx
https://orcid.org/0000-0003-1912-1622
Universidad Tecnológica del Centro de Veracruz
Cuitláhuac, México
Mercedes Morales Barragán
mercedes.morales@utcv.edu.mx
https://orcid.org/0009-0007-4835-8115
Universidad Tecnológica del Centro de Veracruz
Cuitláhuac, México
RESUMEN
Este artículo presenta una solución integrada de investigación de operaciones para la agroindustria
azucarera, que combina un modelo de red de flujo máximo con el método de transporte aplicado a la
planeación agregada. A partir de observación directa se levantaron capacidades de equipos desde el
batey hasta la tolva de almacenamiento y se modeló la línea como una secuencia de nodos con
restricciones, lo que permitió diagnosticar cuellos de botella y su efecto sobre el throughput del sistema.
En paralelo, se formuló un problema de asignación que incorpora costos y políticas operativas (mano
de obra interna, tiempo extralimitado al 20% y subcontratación hasta 12%), resuelto en POM for
Windows V5. La integración de ambos enfoques entrega: (i) identificación explícita de restricciones
críticas, particularmente en evaporadores y centrifugadoras; (ii) un plan de producción de costo mínimo
que prioriza capacidad interna difiere la subcontratación a periodos necesarios y controla inventarios; y
(iii) análisis de sensibilidad y escenarios que apoyan decisiones tácticas ante variaciones de demanda y
disponibilidad. Los hallazgos muestran que la asignación óptima vía transporte supera a políticas
simplificadas (producción constante o mínima con subcontratación), reduciendo costos totales y
mejorando la utilización de capacidad. La propuesta es de fácil implementación y transferible a otros
procesos secuenciales agroindustriales, proporcionando una ruta práctica para elevar la eficiencia y la
resiliencia operativa en ingenios azucareros. Se discuten además implicaciones gerenciales calendarios
de producción, inversión focalizada y reprogramación de equipos y se sugieren líneas futuras para
integrar indicadores ambientales y simulación dinámica del proceso.
Palabras clave: red de flujo máximo, método de transporte, planeación agregada, cuello de botella,
producción azucarera
1 Autor principal
Correspondencia: 20223f101010@utcv.edu.mx
DOI: https://doi.org/10.37811/cl_rcm.v9i4.20059
Modelo Combinado de Red de Flujo y Trasporte: Solución Integrada para
la Eficiencia en Producción de Azúcar
Danna Paola Barrientos Fernández1
20223f101010@utcv.edu.mx
https://orcid.org/0009-0007-3182-3500
Universidad Tecnológica del Centro de Veracruz
Cuitláhuac, México
Eduardo Javier Cortes Zetina
eduardo.cortes@utcv.edu.mx
https://orcid.org/0009-0009-4383-8747
Universidad Tecnológica del Centro de Veracruz
Cuitláhuac, México
Rocío Ramos Hernández
rocio.ramos@utcv.edu.mx
https://orcid.org/0000-0002-7057-6406
Universidad Tecnológica del Centro de Veracruz
Cuitláhuac, México
Lorena Alcudia Chagala
lorena.alcudia@utcv.edu.mx
https://orcid.org/0000-0003-1912-1622
Universidad Tecnológica del Centro de Veracruz
Cuitláhuac, México
Mercedes Morales Barragán
mercedes.morales@utcv.edu.mx
https://orcid.org/0009-0007-4835-8115
Universidad Tecnológica del Centro de Veracruz
Cuitláhuac, México
RESUMEN
Este artículo presenta una solución integrada de investigación de operaciones para la agroindustria
azucarera, que combina un modelo de red de flujo máximo con el método de transporte aplicado a la
planeación agregada. A partir de observación directa se levantaron capacidades de equipos desde el
batey hasta la tolva de almacenamiento y se modeló la línea como una secuencia de nodos con
restricciones, lo que permitió diagnosticar cuellos de botella y su efecto sobre el throughput del sistema.
En paralelo, se formuló un problema de asignación que incorpora costos y políticas operativas (mano
de obra interna, tiempo extralimitado al 20% y subcontratación hasta 12%), resuelto en POM for
Windows V5. La integración de ambos enfoques entrega: (i) identificación explícita de restricciones
críticas, particularmente en evaporadores y centrifugadoras; (ii) un plan de producción de costo mínimo
que prioriza capacidad interna difiere la subcontratación a periodos necesarios y controla inventarios; y
(iii) análisis de sensibilidad y escenarios que apoyan decisiones tácticas ante variaciones de demanda y
disponibilidad. Los hallazgos muestran que la asignación óptima vía transporte supera a políticas
simplificadas (producción constante o mínima con subcontratación), reduciendo costos totales y
mejorando la utilización de capacidad. La propuesta es de fácil implementación y transferible a otros
procesos secuenciales agroindustriales, proporcionando una ruta práctica para elevar la eficiencia y la
resiliencia operativa en ingenios azucareros. Se discuten además implicaciones gerenciales calendarios
de producción, inversión focalizada y reprogramación de equipos y se sugieren líneas futuras para
integrar indicadores ambientales y simulación dinámica del proceso.
Palabras clave: red de flujo máximo, método de transporte, planeación agregada, cuello de botella,
producción azucarera
1 Autor principal
Correspondencia: 20223f101010@utcv.edu.mx
pág. 12450
Combined Flow Network and Transportation Model: An Integrated
Solution for Efficiency in Sugar Production
ABSTRACT
This article presents an integrated operations-research solution for the sugar agro-industry that
combines a maximum-flow network model with the transportation method applied to aggregate
planning. Based on direct observation, equipment capacities were recorded from the cane yard (batey)
to the storage hopper, and the production line was modeled as a sequence of capacity-constrained nodes,
enabling diagnosis of bottlenecks and their effect on throughput. In parallel, an assignment problem
was formulated that incorporates costs and operating policies (internal labor, overtime limited to 20%,
and subcontracting up to 12%) and was solved in POM for Windows V5. The integration of both
approaches delivers: (i) explicit identification of critical constraints—particularly in evaporators and
centrifuges; (ii) a minimum-cost production plan that prioritizes internal capacity, defers subcontracting
to necessary periods, and controls inventories; and (iii) sensitivity and scenario analyses that support
tactical decisions under demand and availability variations. Findings show that the optimal assignment
via the transportation model outperforms simplified policies (constant production or minimum output
with subcontracting), reducing total cost and improving capacity utilization. The proposal is easy to
implement and transferable to other sequential agro-industrial processes, providing a practical path to
increase efficiency and operational resilience in sugar mills. Managerial implications are also
discussed—production calendars, targeted investment, and equipment rescheduling—and future work
is suggested to integrate environmental indicators and dynamic process simulation.
Keywords: maximum flow network, transportation method, aggregate planning, bottleneck, sugar
production
Artículo recibido 04 Agosto 2025
Aceptado para publicación: 29 Agosto 2025
Combined Flow Network and Transportation Model: An Integrated
Solution for Efficiency in Sugar Production
ABSTRACT
This article presents an integrated operations-research solution for the sugar agro-industry that
combines a maximum-flow network model with the transportation method applied to aggregate
planning. Based on direct observation, equipment capacities were recorded from the cane yard (batey)
to the storage hopper, and the production line was modeled as a sequence of capacity-constrained nodes,
enabling diagnosis of bottlenecks and their effect on throughput. In parallel, an assignment problem
was formulated that incorporates costs and operating policies (internal labor, overtime limited to 20%,
and subcontracting up to 12%) and was solved in POM for Windows V5. The integration of both
approaches delivers: (i) explicit identification of critical constraints—particularly in evaporators and
centrifuges; (ii) a minimum-cost production plan that prioritizes internal capacity, defers subcontracting
to necessary periods, and controls inventories; and (iii) sensitivity and scenario analyses that support
tactical decisions under demand and availability variations. Findings show that the optimal assignment
via the transportation model outperforms simplified policies (constant production or minimum output
with subcontracting), reducing total cost and improving capacity utilization. The proposal is easy to
implement and transferable to other sequential agro-industrial processes, providing a practical path to
increase efficiency and operational resilience in sugar mills. Managerial implications are also
discussed—production calendars, targeted investment, and equipment rescheduling—and future work
is suggested to integrate environmental indicators and dynamic process simulation.
Keywords: maximum flow network, transportation method, aggregate planning, bottleneck, sugar
production
Artículo recibido 04 Agosto 2025
Aceptado para publicación: 29 Agosto 2025
pág. 12451
INTRODUCCIÓN
En el contexto actual de la agroindustria azucarera, la eficiencia operativa representa un factor
determinante para alcanzar una producción competitiva y sostenible. La dinámica de transformación de
la caña de azúcar en producto final involucra múltiples procesos interconectados, cuyas limitaciones
técnicas y de capacidad pueden generar cuellos de botella que afectan la continuidad del flujo
productivo. Ante este panorama, el uso de modelos cuantitativos de optimización constituye una
herramienta estratégica para diagnosticar y mejorar el desempeño operativo en entornos industriales
complejos (Mukherjee, Sangal, Sarkar, & Ahmed Almaamari, 2022).
El presente estudio propone una solución integrada basada en la combinación del modelo de red de flujo
máximo y el método de transporte, con el objetivo de optimizar simultáneamente la capacidad instalada
y la asignación de recursos en una planta azucarera. A través de la observación directa del proceso
productivo, se identificaron capacidades de maquinaria en cada etapa desde el batey hasta la tolva de
almacenamiento. El modelo de red permitió representar gráficamente el flujo de materiales, revelando
restricciones críticas en puntos específicos del sistema. Por su parte, el método de transporte, ajustado
a una planeación agregada, considero variables como tiempo extra, subcontratación y disponibilidad de
mano de obra, para minimizar los costos operativos sin comprometer la cobertura de la demanda. Esta
investigación, también reconoce que ciertas limitaciones observadas responden a condiciones
estructurales del entorno industrial, las cuales pueden ser corregidas mediante reprogramaciones
técnicas. No obstante, dichos ajustes implican costos adicionales que pueden ser evaluados. En
conjunto, la propuesta metodológica ofrece una herramienta replicable para mejorar la eficiencia en
industrias con procesos de transformación secuenciales.
La motivación práctica es doble. Primero, los ingenios operan bajo variabilidad de abastecimiento, de
calidad del jugo y de disponibilidad de equipos, lo que exige respuestas tácticas rápidas basadas en
datos y no en reglas simplificadas. Segundo, decisiones locales (por ejemplo, acelerar una etapa
intermedia) pueden ser contraproducentes si no se considera la red completa de procesos desde el batey
hasta la tolva y el envasado; de ahí la pertinencia de modelar explícitamente nodos, arcos y capacidades,
así como sus interdependencias y límites reales de operación.
INTRODUCCIÓN
En el contexto actual de la agroindustria azucarera, la eficiencia operativa representa un factor
determinante para alcanzar una producción competitiva y sostenible. La dinámica de transformación de
la caña de azúcar en producto final involucra múltiples procesos interconectados, cuyas limitaciones
técnicas y de capacidad pueden generar cuellos de botella que afectan la continuidad del flujo
productivo. Ante este panorama, el uso de modelos cuantitativos de optimización constituye una
herramienta estratégica para diagnosticar y mejorar el desempeño operativo en entornos industriales
complejos (Mukherjee, Sangal, Sarkar, & Ahmed Almaamari, 2022).
El presente estudio propone una solución integrada basada en la combinación del modelo de red de flujo
máximo y el método de transporte, con el objetivo de optimizar simultáneamente la capacidad instalada
y la asignación de recursos en una planta azucarera. A través de la observación directa del proceso
productivo, se identificaron capacidades de maquinaria en cada etapa desde el batey hasta la tolva de
almacenamiento. El modelo de red permitió representar gráficamente el flujo de materiales, revelando
restricciones críticas en puntos específicos del sistema. Por su parte, el método de transporte, ajustado
a una planeación agregada, considero variables como tiempo extra, subcontratación y disponibilidad de
mano de obra, para minimizar los costos operativos sin comprometer la cobertura de la demanda. Esta
investigación, también reconoce que ciertas limitaciones observadas responden a condiciones
estructurales del entorno industrial, las cuales pueden ser corregidas mediante reprogramaciones
técnicas. No obstante, dichos ajustes implican costos adicionales que pueden ser evaluados. En
conjunto, la propuesta metodológica ofrece una herramienta replicable para mejorar la eficiencia en
industrias con procesos de transformación secuenciales.
La motivación práctica es doble. Primero, los ingenios operan bajo variabilidad de abastecimiento, de
calidad del jugo y de disponibilidad de equipos, lo que exige respuestas tácticas rápidas basadas en
datos y no en reglas simplificadas. Segundo, decisiones locales (por ejemplo, acelerar una etapa
intermedia) pueden ser contraproducentes si no se considera la red completa de procesos desde el batey
hasta la tolva y el envasado; de ahí la pertinencia de modelar explícitamente nodos, arcos y capacidades,
así como sus interdependencias y límites reales de operación.
pág. 12452
Con ello, se habilita una lectura integral del sistema que facilita intervenir donde genera mayor valor:
aliviar restricciones críticas, reprogramar equipos, y ajustar calendarios de producción con criterios
cuantitativos y verificables.
Las contribuciones de este estudio son: (i) una metodología integrada y replicable para plantas con
procesos secuenciales, que enlaza el diagnóstico de capacidad (red de flujo) con la decisión de
asignación (método de transporte); (ii) evidencia comparativa de desempeño frente a políticas
operativas tradicionales, mostrando mejoras en utilización de capacidad y reducción de costos; y (iii)
un marco de análisis de sensibilidad y escenarios que informa decisiones tácticas ante cambios en
demanda o disponibilidad. En conjunto, el enfoque propuesto aporta una base rigurosa para elevar
eficiencia y resiliencia operativa, y ofrece lineamientos concretos para su adopción en contextos
industriales similares.
El resto del artículo se organiza así: primero se detallan los fundamentos teóricos y el contexto operativo
del proceso; después se describe la metodología y el levantamiento de datos; más adelante se presentan
resultados, análisis comparativo y sensibilidad; finalmente, se discuten implicaciones gerenciales y
líneas de trabajo futuro.
FUNDAMENTOS TEÓRICOS
Las crisis sanitarias, como la del COVID-19, afectaron significativamente a las empresas del sector
agroalimentario en diversos países. Mientras algunas lograron adaptarse, otras sufrieron grandes
pérdidas debido a la falta de estrategias adecuadas. Durante la pandemia, los gobiernos se enfocaron en
garantizar el suministro de alimentos, lo que incrementó la presión sobre las cadenas de suministro. En
este contexto, diversos estudios han resaltado la importancia de fortalecer la resiliencia y optimizar la
logística para asegurar la continuidad operativa del sector. Por ejemplo, Rahbari et al. (2023)
propusieron un modelo para gestionar la cadena de suministro de alimentos enlatados bajo condiciones
inciertas mediante optimización robusta, permitiendo tomar decisiones más acertadas ante escenarios
cambiantes. De forma complementaria, otros análisis evidenciaron que la exportación a países vecinos
fue una estrategia eficaz para reducir costos, incrementar el empleo y mejorar el uso de los recursos
logísticos.
Con ello, se habilita una lectura integral del sistema que facilita intervenir donde genera mayor valor:
aliviar restricciones críticas, reprogramar equipos, y ajustar calendarios de producción con criterios
cuantitativos y verificables.
Las contribuciones de este estudio son: (i) una metodología integrada y replicable para plantas con
procesos secuenciales, que enlaza el diagnóstico de capacidad (red de flujo) con la decisión de
asignación (método de transporte); (ii) evidencia comparativa de desempeño frente a políticas
operativas tradicionales, mostrando mejoras en utilización de capacidad y reducción de costos; y (iii)
un marco de análisis de sensibilidad y escenarios que informa decisiones tácticas ante cambios en
demanda o disponibilidad. En conjunto, el enfoque propuesto aporta una base rigurosa para elevar
eficiencia y resiliencia operativa, y ofrece lineamientos concretos para su adopción en contextos
industriales similares.
El resto del artículo se organiza así: primero se detallan los fundamentos teóricos y el contexto operativo
del proceso; después se describe la metodología y el levantamiento de datos; más adelante se presentan
resultados, análisis comparativo y sensibilidad; finalmente, se discuten implicaciones gerenciales y
líneas de trabajo futuro.
FUNDAMENTOS TEÓRICOS
Las crisis sanitarias, como la del COVID-19, afectaron significativamente a las empresas del sector
agroalimentario en diversos países. Mientras algunas lograron adaptarse, otras sufrieron grandes
pérdidas debido a la falta de estrategias adecuadas. Durante la pandemia, los gobiernos se enfocaron en
garantizar el suministro de alimentos, lo que incrementó la presión sobre las cadenas de suministro. En
este contexto, diversos estudios han resaltado la importancia de fortalecer la resiliencia y optimizar la
logística para asegurar la continuidad operativa del sector. Por ejemplo, Rahbari et al. (2023)
propusieron un modelo para gestionar la cadena de suministro de alimentos enlatados bajo condiciones
inciertas mediante optimización robusta, permitiendo tomar decisiones más acertadas ante escenarios
cambiantes. De forma complementaria, otros análisis evidenciaron que la exportación a países vecinos
fue una estrategia eficaz para reducir costos, incrementar el empleo y mejorar el uso de los recursos
logísticos.
pág. 12453
Estos hallazgos refuerzan la necesidad de cadenas agroalimentarias resilientes que puedan anticipar,
prepararse, responder y recuperarse ante interrupciones, manteniendo la operación continua y la
satisfacción del cliente (Singh & Kumar, 2021; Palacio, 2021; Viet, Behdani, & Bloemhof‐Ruwaard,
2019; Lotfi, y otros, 2022)
En la búsqueda de soluciones eficientes, se ha implementado también el sistema de cross-docking, una
técnica logística que transfiere directamente la carga desde vehículos de entrada a los de salida,
minimizando tiempos de almacenamiento. Aunque se permite un almacenamiento temporal de hasta 24
horas, la capacidad limitada en los muelles puede generar demoras. En este ámbito, un estudio titulado
“Estimación matemática del flujo máximo de mercancías dentro de un cross-docking para reducir el
inventario” analizó la aplicación de algoritmos como Ford-Fulkerson, Edmonds-Karp y Dinic,
identificando a este último como el más eficaz para reducir tiempos de espera y detectar cuellos de
botella en la red logística (Mukherjee, Sangal , Sarkar, & Alkadash, 2022). Esto subraya la necesidad
de implementar estrategias robustas que aborden la variabilidad en la demanda y los costos operativos
en el sector agroindustrial (Zanoni, Ferretti, & Mazzoldi, 2017; Sadrabadi, Ghousi, & Makui, 2021). La
resiliencia, en este sentido, no solo implica recuperación post-disrupción, sino también una gestión
flexible y adaptable que permita incluso obtener ventajas competitivas a partir de eventos adversos
(Jiang, Hassan, Faiz, & Noor‐E‐Alam, 2018; Nilakantan, 2019; Singh, Soni, & Badhotiya, 2019).
Además de optimizar la logística, es clave mejorar la distribución de materias primas. En Java Oriental,
principal zona azucarera de Indonesia, se identificó un desequilibrio entre la oferta y demanda de caña.
El estudio de Rofiq Mulyarto et al. (2025) abordó este reto asignando eficientemente la caña a los
ingenios mediante el uso de QGIS y OpenSolver en Excel para el análisis espacial y la optimización del
transporte. Los resultados propusieron dos escenarios viables ante la insuficiencia de producción,
ofreciendo alternativas de planificación con diferentes costos de transporte. Este caso demuestra el valor
de la investigación de operaciones y los sistemas de información geográfica en la toma de decisiones
agrícolas.
Por otro lado, la programación matemática, particularmente la no lineal, también ha sido fundamental
para enfrentar la demanda insatisfecha en el sector alimenticio, identificando causas y proponiendo
soluciones eficientes (Mendoza, Sanín, Leo, & Rebollo, 2021).
Estos hallazgos refuerzan la necesidad de cadenas agroalimentarias resilientes que puedan anticipar,
prepararse, responder y recuperarse ante interrupciones, manteniendo la operación continua y la
satisfacción del cliente (Singh & Kumar, 2021; Palacio, 2021; Viet, Behdani, & Bloemhof‐Ruwaard,
2019; Lotfi, y otros, 2022)
En la búsqueda de soluciones eficientes, se ha implementado también el sistema de cross-docking, una
técnica logística que transfiere directamente la carga desde vehículos de entrada a los de salida,
minimizando tiempos de almacenamiento. Aunque se permite un almacenamiento temporal de hasta 24
horas, la capacidad limitada en los muelles puede generar demoras. En este ámbito, un estudio titulado
“Estimación matemática del flujo máximo de mercancías dentro de un cross-docking para reducir el
inventario” analizó la aplicación de algoritmos como Ford-Fulkerson, Edmonds-Karp y Dinic,
identificando a este último como el más eficaz para reducir tiempos de espera y detectar cuellos de
botella en la red logística (Mukherjee, Sangal , Sarkar, & Alkadash, 2022). Esto subraya la necesidad
de implementar estrategias robustas que aborden la variabilidad en la demanda y los costos operativos
en el sector agroindustrial (Zanoni, Ferretti, & Mazzoldi, 2017; Sadrabadi, Ghousi, & Makui, 2021). La
resiliencia, en este sentido, no solo implica recuperación post-disrupción, sino también una gestión
flexible y adaptable que permita incluso obtener ventajas competitivas a partir de eventos adversos
(Jiang, Hassan, Faiz, & Noor‐E‐Alam, 2018; Nilakantan, 2019; Singh, Soni, & Badhotiya, 2019).
Además de optimizar la logística, es clave mejorar la distribución de materias primas. En Java Oriental,
principal zona azucarera de Indonesia, se identificó un desequilibrio entre la oferta y demanda de caña.
El estudio de Rofiq Mulyarto et al. (2025) abordó este reto asignando eficientemente la caña a los
ingenios mediante el uso de QGIS y OpenSolver en Excel para el análisis espacial y la optimización del
transporte. Los resultados propusieron dos escenarios viables ante la insuficiencia de producción,
ofreciendo alternativas de planificación con diferentes costos de transporte. Este caso demuestra el valor
de la investigación de operaciones y los sistemas de información geográfica en la toma de decisiones
agrícolas.
Por otro lado, la programación matemática, particularmente la no lineal, también ha sido fundamental
para enfrentar la demanda insatisfecha en el sector alimenticio, identificando causas y proponiendo
soluciones eficientes (Mendoza, Sanín, Leo, & Rebollo, 2021).
pág. 12454
Asimismo, la Inteligencia Artificial ha mostrado potencial para transformar digitalmente la cadena
agroalimentaria, aumentando la eficiencia y reduciendo costos, como en el caso del sector bananero
(Palacio, 2021; Almeida, Arias, & Vargas, 2023). En esta línea, Nurhasanah et al. (2020) propusieron
un marco conceptual para diseñar cadenas inteligentes en la agroindustria de fibra natural, integrando
modelos colaborativos de reabastecimiento y planificación de inventario y producción.
Otros modelos integrados, como el de Doliente y Samsatli (2020), han sido aplicados a la cadena de
valor del arroz, conectando la producción de alimentos, energía y químicos mediante programación
lineal multi-objetivo para minimizar tanto costos como emisiones de gases de efecto invernadero. Estos
enfoques consideran la totalidad de la cadena de valor, desde el campo hasta el consumidor, y permiten
una gestión más eficiente de recursos y la reducción de pérdidas post-cosecha (Gómez Dueñas,
Manrique Guarin, Romero-Riaño, & Ardila Becerra, 2019; Essien, Dzisi, & Addo, 2018). De igual
forma, se ha demostrado que una gestión optimizada del inventario es clave para la transparencia y
precisión en los productos agrícolas, así como para la sostenibilidad del sector agroindustrial (Sinaga
& Bahagia, 2019; Giallombardo, Mirabelli, & Solina, 2021). En definitiva, la flexibilidad y capacidad
de adaptación son esenciales para enfrentar los cambios inesperados en la demanda y la oferta,
garantizando así una cadena de suministro agroalimentaria más resiliente y sostenible.
METODOLOGÍA
Para analizar la eficiencia operativa en la producción de azúcar, se aplicaron herramientas cuantitativas
de optimización sobre datos obtenidos mediante observación directa del proceso productivo. La
metodología combinó el modelado de una red de flujo máximo con la formulación de un problema de
transporte, permitiendo identificar cuellos de botella y mejorar la asignación de recursos bajo
restricciones operativas específicas. A continuación, se detalla el tipo de investigación, las fases y
herramientas utilizadas.
La investigación adoptó un enfoque cuantitativo, no experimental y transversal. A partir de una
observación directa del proceso productiva, se recopilaron datos relacionados con la capacidad de los
equipos desde el batey hasta la tolva de almacenamiento (ver ilustración 1). Se aplicaron dos técnicas:
Red de flujo máximo: utilizada para modelar la línea de producción como una red de nodos y arcos,
donde cada nodo representa una etapa del proceso y cada arco una conexión con capacidad limitada
Asimismo, la Inteligencia Artificial ha mostrado potencial para transformar digitalmente la cadena
agroalimentaria, aumentando la eficiencia y reduciendo costos, como en el caso del sector bananero
(Palacio, 2021; Almeida, Arias, & Vargas, 2023). En esta línea, Nurhasanah et al. (2020) propusieron
un marco conceptual para diseñar cadenas inteligentes en la agroindustria de fibra natural, integrando
modelos colaborativos de reabastecimiento y planificación de inventario y producción.
Otros modelos integrados, como el de Doliente y Samsatli (2020), han sido aplicados a la cadena de
valor del arroz, conectando la producción de alimentos, energía y químicos mediante programación
lineal multi-objetivo para minimizar tanto costos como emisiones de gases de efecto invernadero. Estos
enfoques consideran la totalidad de la cadena de valor, desde el campo hasta el consumidor, y permiten
una gestión más eficiente de recursos y la reducción de pérdidas post-cosecha (Gómez Dueñas,
Manrique Guarin, Romero-Riaño, & Ardila Becerra, 2019; Essien, Dzisi, & Addo, 2018). De igual
forma, se ha demostrado que una gestión optimizada del inventario es clave para la transparencia y
precisión en los productos agrícolas, así como para la sostenibilidad del sector agroindustrial (Sinaga
& Bahagia, 2019; Giallombardo, Mirabelli, & Solina, 2021). En definitiva, la flexibilidad y capacidad
de adaptación son esenciales para enfrentar los cambios inesperados en la demanda y la oferta,
garantizando así una cadena de suministro agroalimentaria más resiliente y sostenible.
METODOLOGÍA
Para analizar la eficiencia operativa en la producción de azúcar, se aplicaron herramientas cuantitativas
de optimización sobre datos obtenidos mediante observación directa del proceso productivo. La
metodología combinó el modelado de una red de flujo máximo con la formulación de un problema de
transporte, permitiendo identificar cuellos de botella y mejorar la asignación de recursos bajo
restricciones operativas específicas. A continuación, se detalla el tipo de investigación, las fases y
herramientas utilizadas.
La investigación adoptó un enfoque cuantitativo, no experimental y transversal. A partir de una
observación directa del proceso productiva, se recopilaron datos relacionados con la capacidad de los
equipos desde el batey hasta la tolva de almacenamiento (ver ilustración 1). Se aplicaron dos técnicas:
Red de flujo máximo: utilizada para modelar la línea de producción como una red de nodos y arcos,
donde cada nodo representa una etapa del proceso y cada arco una conexión con capacidad limitada
pág. 12455
(Mukherjee, Sangal , Sarkar, & Alkadash, 2022). Esta herramienta permitió identificar puntos de
acumulación de producto (cuellos de botella) y analizar el flujo máximo que el sistema puede soportar.
Planeación agregada mediante el método de transporte: se modeló un problema de asignación de
recursos, tomando en cuenta restricciones operativas como tiempo extra (máx. 20%), subcontratación
(máx. 12%) y mano de obra interna (mín. 68%). Se usó el software POM for Windows V5 para calcular
la solución óptima que minimiza los costos asociados a producción, inventario y subcontratación, a lo
largo de seis periodos mensuales.
Ilustración 1. Metodología empleada
La combinación del modelo de red de flujo máximo y el método de transporte demostró ser una
estrategia metodológica eficaz para diagnosticar restricciones operativas y optimizar la asignación de
recursos en un entorno productivo complejo. Esta integración permitió un análisis integral del sistema,
facilitando la toma de decisiones basadas en datos y orientadas a la mejora continua de la eficiencia
industrial.
Red de flujo máximo aplicada a la línea de producción.
En el ámbito logístico, una red se entiende como un conjunto de nodos y conexiones que permiten el
flujo de materiales, información o recursos a través de un sistema (Mukherjee, Sangal, Sarkar, & Ahmed
Almaamari, 2022).
1 • Observación directa del proceso
2 • Identificación de etapas y capacidades
3 • Modelado de red de flujo máximo
4 • Identificación de cuellos de botella
5 • Formulación del problema de transporte con restricciones operativas
6 • Resolución con software POM for Windows V5
7 • Conclusiones y recomendaciones.
(Mukherjee, Sangal , Sarkar, & Alkadash, 2022). Esta herramienta permitió identificar puntos de
acumulación de producto (cuellos de botella) y analizar el flujo máximo que el sistema puede soportar.
Planeación agregada mediante el método de transporte: se modeló un problema de asignación de
recursos, tomando en cuenta restricciones operativas como tiempo extra (máx. 20%), subcontratación
(máx. 12%) y mano de obra interna (mín. 68%). Se usó el software POM for Windows V5 para calcular
la solución óptima que minimiza los costos asociados a producción, inventario y subcontratación, a lo
largo de seis periodos mensuales.
Ilustración 1. Metodología empleada
La combinación del modelo de red de flujo máximo y el método de transporte demostró ser una
estrategia metodológica eficaz para diagnosticar restricciones operativas y optimizar la asignación de
recursos en un entorno productivo complejo. Esta integración permitió un análisis integral del sistema,
facilitando la toma de decisiones basadas en datos y orientadas a la mejora continua de la eficiencia
industrial.
Red de flujo máximo aplicada a la línea de producción.
En el ámbito logístico, una red se entiende como un conjunto de nodos y conexiones que permiten el
flujo de materiales, información o recursos a través de un sistema (Mukherjee, Sangal, Sarkar, & Ahmed
Almaamari, 2022).
1 • Observación directa del proceso
2 • Identificación de etapas y capacidades
3 • Modelado de red de flujo máximo
4 • Identificación de cuellos de botella
5 • Formulación del problema de transporte con restricciones operativas
6 • Resolución con software POM for Windows V5
7 • Conclusiones y recomendaciones.
pág. 12456
Estos nodos pueden presentar estaciones de trabajo, centros de distribución, procesos o equipos,
mientras que las conexiones reflejan los caminos por los cuales circulan los productos o datos.
En este contexto, la producción de azúcar, puede representarse mediante una red productiva compuesta
por múltiples modos interconectados. El proceso inicia en el volteo o mejor conocido como batey, donde
se recibe la caña, la cual es enviada a dos camellones que la separan para ser transportada por bandas
transportadoras hacia seis molinos. Una vez extraído, el jugo pasa por tres básculas para ser pesado, y
posteriormente se dirige a dos verificadores de pH, una etapa crítica, ya que el jugo normalmente
presenta un pH elevado que debe ser regulado con cal. Después, el jugo es dirigido a tres evaporadores,
donde se precalienta, y luego a seis cristalizadores, donde comienza a tomar su forma solida
característica de la azúcar perlada. A continuación, el producto pasa a tres bombas centrifugas, las cuales
eliminan la humedad del grano mediante vapor. Finalmente, la azúcar seca se almacena en una tolva, y
desde ahí se dirige, a través de una línea directa al proceso de envasado. Este flujo estructurado de
procesos y equipos permite presentar al sistema como una red de flujo, facilitando el análisis de su
rendimiento y la identificación de posibles cuellos de botella para su optimización.
La ilustración 2 muestra la representación de este proceso como un modelo de red que incluye las
capacidades máximas en cada parte del proceso. En este diagrama es posible identificar diversos cuellos
de botella, los cuales impiden que la línea de producción opere a su capacidad máxima. Los números
verdes son las cantidades máximas (toneladas) que el nodo puede enviar al nodo siguiente; los números
negros es una identificación del nodo y finalmente, los números rojos representan la cantidad de
recepción de producto del nodo.
Ilustración 2. Modelo de red de flujo máximo en contexto con la empresa de estudio.M olinos Cristalizadores
Camellones 4 Básculas de jugo Evaporadores 18
M1 CR1 Centrífugas
10 Verificador de PH 15 24
2 5 19
M2 B1 E1 CR2 CE1
Volteo/Batey C1 13
6 20 Tolva de pre-almacén de azúcar
1 M3 11 V1 16 CR3 25
V 27
3 7 B2 E2 21 CE2 T
M4 14 CR4
C2 V2
8 17 22 26
M5 12 CR5
B3 E3 CE3
9 23
M6 CR6
400
350
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
00
150
0
100
0
100
200
200
100
250
250
100
150
400
500
300
200
300
350
200
100
250
200
250
300
250
300
150
250
150
350
200
500
550
600
Estos nodos pueden presentar estaciones de trabajo, centros de distribución, procesos o equipos,
mientras que las conexiones reflejan los caminos por los cuales circulan los productos o datos.
En este contexto, la producción de azúcar, puede representarse mediante una red productiva compuesta
por múltiples modos interconectados. El proceso inicia en el volteo o mejor conocido como batey, donde
se recibe la caña, la cual es enviada a dos camellones que la separan para ser transportada por bandas
transportadoras hacia seis molinos. Una vez extraído, el jugo pasa por tres básculas para ser pesado, y
posteriormente se dirige a dos verificadores de pH, una etapa crítica, ya que el jugo normalmente
presenta un pH elevado que debe ser regulado con cal. Después, el jugo es dirigido a tres evaporadores,
donde se precalienta, y luego a seis cristalizadores, donde comienza a tomar su forma solida
característica de la azúcar perlada. A continuación, el producto pasa a tres bombas centrifugas, las cuales
eliminan la humedad del grano mediante vapor. Finalmente, la azúcar seca se almacena en una tolva, y
desde ahí se dirige, a través de una línea directa al proceso de envasado. Este flujo estructurado de
procesos y equipos permite presentar al sistema como una red de flujo, facilitando el análisis de su
rendimiento y la identificación de posibles cuellos de botella para su optimización.
La ilustración 2 muestra la representación de este proceso como un modelo de red que incluye las
capacidades máximas en cada parte del proceso. En este diagrama es posible identificar diversos cuellos
de botella, los cuales impiden que la línea de producción opere a su capacidad máxima. Los números
verdes son las cantidades máximas (toneladas) que el nodo puede enviar al nodo siguiente; los números
negros es una identificación del nodo y finalmente, los números rojos representan la cantidad de
recepción de producto del nodo.
Ilustración 2. Modelo de red de flujo máximo en contexto con la empresa de estudio.M olinos Cristalizadores
Camellones 4 Básculas de jugo Evaporadores 18
M1 CR1 Centrífugas
10 Verificador de PH 15 24
2 5 19
M2 B1 E1 CR2 CE1
Volteo/Batey C1 13
6 20 Tolva de pre-almacén de azúcar
1 M3 11 V1 16 CR3 25
V 27
3 7 B2 E2 21 CE2 T
M4 14 CR4
C2 V2
8 17 22 26
M5 12 CR5
B3 E3 CE3
9 23
M6 CR6
400
350
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
00
150
0
100
0
100
200
200
100
250
250
100
150
400
500
300
200
300
350
200
100
250
200
250
300
250
300
150
250
150
350
200
500
550
600
pág. 12457
Esta situación refleja limitaciones propias del entorno industrial, que, si bien afectan la eficiencia del
sistema, pueden ser corregidas mediante una reprogramación adecuada de la maquinaria. No obstante,
es importante considerar que tales ajustes implican costos adicionales, tanto en términos económicos
como operativos, lo que debe ser evaluado cuidadosamente antes de su implementación.
Asignación óptima mediante el método de transporte
En este contexto, se busca un acercamiento a una asignación óptima de recursos mediante una
aplicación del método de transporte a la planeación agregada. Se desarrolla un modelo de optimización
utilizado para distribuir eficientemente los volúmenes de producción de azúcar desde distintos puntos
de la línea, con el objetivo de minimizar costos operativos y maximizando el aprovechamiento de los
recursos.
Para su implementación se establecieron restricciones operativas propias del entorno industrial
analizado: un máximo del 20% de la producción puede realizarse en tiempo extra, se permite hasta el
12% de subcontratación mensual en relación con la demanda solicitada, y se contempla un 68% de
mano de obra interna.
Estas condiciones aseguran que la mayor parte de la demanda se cubran en tiempo regular, optimizando
el uso de recursos internos.
En la tabla 1, se presentan los costos asociados al periodo diciembre – mayo de la zafra 2023 - 2024
calculados mediante el software POM for Windows V5, el cual permite modelar de forma intuitiva y
eficiente problemas de optimización, facilitando la visualización y resolución de escenarios complejos,
además agiliza la toma de decisiones al generar soluciones óptimas de manera rápida y precisa (Citra,
y otros, 2024).
Es importante señalar que, conforme avanzan los meses, el costo de inventario tiende a incrementar,
dado que la mercancía debe ser resguardada en almacén hasta el momento de su venta, lo que implica
una acumulación de costos logísticos adicionales.
Esta situación refleja limitaciones propias del entorno industrial, que, si bien afectan la eficiencia del
sistema, pueden ser corregidas mediante una reprogramación adecuada de la maquinaria. No obstante,
es importante considerar que tales ajustes implican costos adicionales, tanto en términos económicos
como operativos, lo que debe ser evaluado cuidadosamente antes de su implementación.
Asignación óptima mediante el método de transporte
En este contexto, se busca un acercamiento a una asignación óptima de recursos mediante una
aplicación del método de transporte a la planeación agregada. Se desarrolla un modelo de optimización
utilizado para distribuir eficientemente los volúmenes de producción de azúcar desde distintos puntos
de la línea, con el objetivo de minimizar costos operativos y maximizando el aprovechamiento de los
recursos.
Para su implementación se establecieron restricciones operativas propias del entorno industrial
analizado: un máximo del 20% de la producción puede realizarse en tiempo extra, se permite hasta el
12% de subcontratación mensual en relación con la demanda solicitada, y se contempla un 68% de
mano de obra interna.
Estas condiciones aseguran que la mayor parte de la demanda se cubran en tiempo regular, optimizando
el uso de recursos internos.
En la tabla 1, se presentan los costos asociados al periodo diciembre – mayo de la zafra 2023 - 2024
calculados mediante el software POM for Windows V5, el cual permite modelar de forma intuitiva y
eficiente problemas de optimización, facilitando la visualización y resolución de escenarios complejos,
además agiliza la toma de decisiones al generar soluciones óptimas de manera rápida y precisa (Citra,
y otros, 2024).
Es importante señalar que, conforme avanzan los meses, el costo de inventario tiende a incrementar,
dado que la mercancía debe ser resguardada en almacén hasta el momento de su venta, lo que implica
una acumulación de costos logísticos adicionales.
pág. 12458
Tabla 1. Costos operativos mediante el método de transporte.
Diciembre Enero Febrero Marzo Abril Mayo Oferta
Inventario inicial $1.8 $3.6 $5.4 $7.2 $9.0 $10.8 150000
Mano de obra $487.6 $489.4 $491.2 $493.0 $494.8 $496.6 272680
Tiempo extra $151.8 $153.6 $155.4 $157.2 $159.0 $160.8 80200
Subcontratación $1,151.8 $1,153.6 $1,155.4 $1,157.2 $1,159.0 $1,160.8 48120
Mano de obra --- $487.6 $489.4 $491.2 $493.0 $494.8 306034
Tiempo extra --- $151.8 $153.6 $155.4 $157.2 $159.0 90010
Subcontratación --- $1,151.8 $1,153.6 $1,155.4 $1,157.2 $1,159.0 54006
Mano de obra --- --- $487.6 $489.4 $491.2 $493.0 257686
Tiempo extra --- --- $151.8 $153.6 $155.4 $157.2 75790
Subcontratación --- --- $1,151.8 $1,153.6 $1,155.4 $1,157.2 45474
Mano de obra --- --- --- $487.6 $489.4 $491.2 156400
Tiempo extra --- --- --- $151.8 $153.6 $155.4 46000
Subcontratación --- --- --- $1,151.8 $1,153.6 $1,155.4 27600
Mano de obra --- --- --- --- $487.6 $489.4 217600
Tiempo extra --- --- --- --- $151.8 $153.6 64000
Subcontratación --- --- --- --- $1,151.8 $1,153.6 38400
Mano de obra --- --- --- --- --- $487.6 176800
Tiempo extra --- --- --- --- --- $151.8 52000
Subcontratación --- --- --- --- --- $1,151.8 31200
Demanda 401000 450050 378950 230000 320000 260000
La aplicación conjunta del método de transporte y la red de flujo máximo permitió optimizar la
asignación de recursos y detectar cuellos de botella en la línea de producción de azúcar, mejorando la
eficiencia operativa y reduciendo costos en los procesos clave.
RESULTADOS Y DISCUSIÓN
A continuación, se presentan los resultados obtenidos mediante la aplicación del método de transporte
y del modelo de red de flujo máximo, ambos desarrollados con ayuda del software POM for Windows
V5. El objetivo principal fue asignar de forma óptima la producción en la línea, priorizando los periodos
con menor costo operativo y evitando el uso de subcontratación y tiempo extra, con el fin de mantener
el costo total dentro de los límites del presupuesto. De forma paralela y mediante el modelo de red de
flujo máximo, se identificó la capacidad máxima del sistema y se analizaron las restricciones internas
que limitan el flujo continuo de producción.
Tabla 1. Costos operativos mediante el método de transporte.
Diciembre Enero Febrero Marzo Abril Mayo Oferta
Inventario inicial $1.8 $3.6 $5.4 $7.2 $9.0 $10.8 150000
Mano de obra $487.6 $489.4 $491.2 $493.0 $494.8 $496.6 272680
Tiempo extra $151.8 $153.6 $155.4 $157.2 $159.0 $160.8 80200
Subcontratación $1,151.8 $1,153.6 $1,155.4 $1,157.2 $1,159.0 $1,160.8 48120
Mano de obra --- $487.6 $489.4 $491.2 $493.0 $494.8 306034
Tiempo extra --- $151.8 $153.6 $155.4 $157.2 $159.0 90010
Subcontratación --- $1,151.8 $1,153.6 $1,155.4 $1,157.2 $1,159.0 54006
Mano de obra --- --- $487.6 $489.4 $491.2 $493.0 257686
Tiempo extra --- --- $151.8 $153.6 $155.4 $157.2 75790
Subcontratación --- --- $1,151.8 $1,153.6 $1,155.4 $1,157.2 45474
Mano de obra --- --- --- $487.6 $489.4 $491.2 156400
Tiempo extra --- --- --- $151.8 $153.6 $155.4 46000
Subcontratación --- --- --- $1,151.8 $1,153.6 $1,155.4 27600
Mano de obra --- --- --- --- $487.6 $489.4 217600
Tiempo extra --- --- --- --- $151.8 $153.6 64000
Subcontratación --- --- --- --- $1,151.8 $1,153.6 38400
Mano de obra --- --- --- --- --- $487.6 176800
Tiempo extra --- --- --- --- --- $151.8 52000
Subcontratación --- --- --- --- --- $1,151.8 31200
Demanda 401000 450050 378950 230000 320000 260000
La aplicación conjunta del método de transporte y la red de flujo máximo permitió optimizar la
asignación de recursos y detectar cuellos de botella en la línea de producción de azúcar, mejorando la
eficiencia operativa y reduciendo costos en los procesos clave.
RESULTADOS Y DISCUSIÓN
A continuación, se presentan los resultados obtenidos mediante la aplicación del método de transporte
y del modelo de red de flujo máximo, ambos desarrollados con ayuda del software POM for Windows
V5. El objetivo principal fue asignar de forma óptima la producción en la línea, priorizando los periodos
con menor costo operativo y evitando el uso de subcontratación y tiempo extra, con el fin de mantener
el costo total dentro de los límites del presupuesto. De forma paralela y mediante el modelo de red de
flujo máximo, se identificó la capacidad máxima del sistema y se analizaron las restricciones internas
que limitan el flujo continuo de producción.
pág. 12459
En este sentido, se realizaron cinco iteraciones que muestran cómo se distribuye la producción hasta la
tolva de almacenamiento, indicando tanto las toneladas efectivamente trasladadas como aquellas que se
acumulan debido a las limitaciones de capacidad en ciertas etapas del proceso. Estas acumulaciones
reflejan la presencia de cuellos de botella, lo que permite detectar puntos críticos y orientar futuras
mejoras en la eficiencia de la línea de producción.
Red de flujo máximo
Según los resultados obtenidos mediante el software POM for Windows V5, a pesar de estos cuellos de
botella identificados, la producción alcanza un flujo de 65 toneladas por periodo de producción. A
continuación, la ilustración 3 presenta la red resuelta con las asignaciones correspondientes, donde se
visualizan claramente las áreas donde se generan los cuellos de botella. En esta red los números en
negro representan la cantidad de toneladas enviadas de un nodo de salida a un nodo de procedencia; los
números en rojo indican la cantidad que llega al nodo, y los valores en verde muestran la acumulación
de toneladas, es decir, los puntos donde se producen congestiones.
Ilustración 3. Resultado de red de flujo máximo mediante software.
Los cuellos de botella provocan acumulaciones de producto en puntos específicos del proceso de
transformación, lo que no solo afecta el flujo productivo, sino que también puede retrasar la entrega y
aumentar los costos operativos.
Asignación óptima mediante el método de transporte
En los resultados obtenidos mediante el software POM for Windows V5, se utilizó una columna ficticia
llamada dummy para balancear el método de transporte debido a que la oferta y la demanda noM olinos Cristalizadores
Camellones 4 Básculas de jugo Evaporadores 18
M1 CR1 Centrífugas
10 Verificador de PH 15 24
2 5 19
M2 B1 E1 CR2 CE1
Volteo/Batey C1 13
6 20 Tolva de pre-almacén de azúcar
1 M3 11 V1 16 CR3 25
V 27
3 7 B2 E2 21 CE2 T
M4 14 CR4
C2 V2
8 17 22 26
M5 12 CR5
B3 E3 CE3
9 23
M6 CR6
0
0
350
200
150
0
200
150
50
200
400
200
50
150
150 0
0
200
250
300
200
0
200
350
200
0
350
200
200200
150
200
150
200
200
200
00
0
0
100
0
100
0
50
100
50
50
50
0
150
200
100
200
200
0
0
100
50
0
100
100
250
100
150
50
0
150
200
300
200
400
En este sentido, se realizaron cinco iteraciones que muestran cómo se distribuye la producción hasta la
tolva de almacenamiento, indicando tanto las toneladas efectivamente trasladadas como aquellas que se
acumulan debido a las limitaciones de capacidad en ciertas etapas del proceso. Estas acumulaciones
reflejan la presencia de cuellos de botella, lo que permite detectar puntos críticos y orientar futuras
mejoras en la eficiencia de la línea de producción.
Red de flujo máximo
Según los resultados obtenidos mediante el software POM for Windows V5, a pesar de estos cuellos de
botella identificados, la producción alcanza un flujo de 65 toneladas por periodo de producción. A
continuación, la ilustración 3 presenta la red resuelta con las asignaciones correspondientes, donde se
visualizan claramente las áreas donde se generan los cuellos de botella. En esta red los números en
negro representan la cantidad de toneladas enviadas de un nodo de salida a un nodo de procedencia; los
números en rojo indican la cantidad que llega al nodo, y los valores en verde muestran la acumulación
de toneladas, es decir, los puntos donde se producen congestiones.
Ilustración 3. Resultado de red de flujo máximo mediante software.
Los cuellos de botella provocan acumulaciones de producto en puntos específicos del proceso de
transformación, lo que no solo afecta el flujo productivo, sino que también puede retrasar la entrega y
aumentar los costos operativos.
Asignación óptima mediante el método de transporte
En los resultados obtenidos mediante el software POM for Windows V5, se utilizó una columna ficticia
llamada dummy para balancear el método de transporte debido a que la oferta y la demanda noM olinos Cristalizadores
Camellones 4 Básculas de jugo Evaporadores 18
M1 CR1 Centrífugas
10 Verificador de PH 15 24
2 5 19
M2 B1 E1 CR2 CE1
Volteo/Batey C1 13
6 20 Tolva de pre-almacén de azúcar
1 M3 11 V1 16 CR3 25
V 27
3 7 B2 E2 21 CE2 T
M4 14 CR4
C2 V2
8 17 22 26
M5 12 CR5
B3 E3 CE3
9 23
M6 CR6
0
0
350
200
150
0
200
150
50
200
400
200
50
150
150 0
0
200
250
300
200
0
200
350
200
0
350
200
200200
150
200
150
200
200
200
00
0
0
100
0
100
0
50
100
50
50
50
0
150
200
100
200
200
0
0
100
50
0
100
100
250
100
150
50
0
150
200
300
200
400
pág. 12460
coinciden. El análisis mostró que, durante los primeros meses de producción, no es necesaria la
subcontratación de azúcar; sin embargo, en meses posteriores sí se requiere, lo que incrementa
ligeramente los costos. El método de transporte asignó la producción priorizando los periodos de menor
costo, minimizando la subcontratación y manteniendo los costos totales dentro de los límites previstos,
dicha información se muestra en la ilustración 4.
Ilustración 4. Ventana de resultados del software POM for Windows V5 de la asignación óptima
mediante el método de transporte
La aplicación del método de transporte en este estudio permitió una asignación óptima de los recursos
productivos mediante la incorporación de costos operativos específicos asociados a cada alternativa:
mano de obra propia, tiempo extra y subcontratación. Estos valores fueron establecidos como
parámetros dentro del modelo, lo que permitió al sistema priorizar aquellas opciones que ofrecieran
menor costo total. A través del software POM for Windows V5, se resolvió el problema de transporte
considerando la demanda mensual proyectada (durante 6 meses de zafra) y las restricciones operativas
del ingenio. El modelo arrojó las cantidades óptimas que deben asignarse a cada modalidad de
producción (bultos de 50 kilogramos de azúcar), respetando los límites establecidos para cada recurso
y asegurando la cobertura de la demanda. Como resultado, se obtuvo una solución que no solo equilibra
la utilización de recursos internos y externos, sino que además minimiza el costo total de producción,
proporcionando así una base sólida para la toma de decisiones estratégicas en la planeación agregada.
coinciden. El análisis mostró que, durante los primeros meses de producción, no es necesaria la
subcontratación de azúcar; sin embargo, en meses posteriores sí se requiere, lo que incrementa
ligeramente los costos. El método de transporte asignó la producción priorizando los periodos de menor
costo, minimizando la subcontratación y manteniendo los costos totales dentro de los límites previstos,
dicha información se muestra en la ilustración 4.
Ilustración 4. Ventana de resultados del software POM for Windows V5 de la asignación óptima
mediante el método de transporte
La aplicación del método de transporte en este estudio permitió una asignación óptima de los recursos
productivos mediante la incorporación de costos operativos específicos asociados a cada alternativa:
mano de obra propia, tiempo extra y subcontratación. Estos valores fueron establecidos como
parámetros dentro del modelo, lo que permitió al sistema priorizar aquellas opciones que ofrecieran
menor costo total. A través del software POM for Windows V5, se resolvió el problema de transporte
considerando la demanda mensual proyectada (durante 6 meses de zafra) y las restricciones operativas
del ingenio. El modelo arrojó las cantidades óptimas que deben asignarse a cada modalidad de
producción (bultos de 50 kilogramos de azúcar), respetando los límites establecidos para cada recurso
y asegurando la cobertura de la demanda. Como resultado, se obtuvo una solución que no solo equilibra
la utilización de recursos internos y externos, sino que además minimiza el costo total de producción,
proporcionando así una base sólida para la toma de decisiones estratégicas en la planeación agregada.
pág. 12461
Conforme a los resultados obtenidos, se evaluaron tres estrategias: mantener una producción constante
diaria, mantener una producción constante mínima y subcontratar el resto, e implementar una
asignación óptima mediante le método de transporte. De estas, la estrategia más viable resultó ser la
asignación óptima mediante el método de transporte, ya que optimiza los costos de producción. En
contraste, la opción de mantener una producción constante mínima y subcontratar el resto es la más
costosa, como se observa en la tabla 2.
Tabla 2. Comparación de costos totales mediante estrategias de optimización de costos de producción.
Mantener una producción
constante diaria.
Mantener una producción
constante mínima y
subcontratar el resto.
Asignación mediante el método
de transporte.
$1,304,881,170.04 $1,447,809,152.33 $848,067,600
No obstante, el modelo de transporte generó un excedente de producción de 280,800 bultos más de lo
que se está demandando, esto puede deberse a un factor principal: los productores están ingresando más
toneladas de caña que en zafras anteriores. Si bien esto puede ser beneficioso para la organización, al
contar con una mayor cantidad de azúcar disponible para la venta, también implica un incremento en
los costos de producción. Esto se debe a que existe una relación directa entre la cantidad de caña
ingresada y la producción de azúcar; es decir, a mayor volumen de caña, mayor producción, pero
también mayores costos. De la misma forma, si se ingresa menos caña, se produce menos azúcar y, en
consecuencia, los costos disminuyen.
CONCLUSIONES
La aplicación conjunta del método de transporte y el modelo de red de flujo máximo, desarrollados
mediante el software POM for Windows V5, ha permitido optimizar la asignación de recursos y analizar
la capacidad máxima en la línea de producción de azúcar. Aunque aún existen cuellos de botella que
limitan el flujo y generan acumulaciones en puntos críticos, estas técnicas han facilitado la
identificación de dichas restricciones y la optimización de costos operativos. La planeación agregada
basada en el método de transporte se presenta como la alternativa más eficiente, al maximizar la
producción y mantener los costos dentro de los límites controlados, favoreciendo una mejor gestión
logística y productiva en el ingenio estudiado. De esta forma, se sientan las bases para futuras mejoras
que permitan alcanzar niveles óptimos de producción y rentabilidad.
Conforme a los resultados obtenidos, se evaluaron tres estrategias: mantener una producción constante
diaria, mantener una producción constante mínima y subcontratar el resto, e implementar una
asignación óptima mediante le método de transporte. De estas, la estrategia más viable resultó ser la
asignación óptima mediante el método de transporte, ya que optimiza los costos de producción. En
contraste, la opción de mantener una producción constante mínima y subcontratar el resto es la más
costosa, como se observa en la tabla 2.
Tabla 2. Comparación de costos totales mediante estrategias de optimización de costos de producción.
Mantener una producción
constante diaria.
Mantener una producción
constante mínima y
subcontratar el resto.
Asignación mediante el método
de transporte.
$1,304,881,170.04 $1,447,809,152.33 $848,067,600
No obstante, el modelo de transporte generó un excedente de producción de 280,800 bultos más de lo
que se está demandando, esto puede deberse a un factor principal: los productores están ingresando más
toneladas de caña que en zafras anteriores. Si bien esto puede ser beneficioso para la organización, al
contar con una mayor cantidad de azúcar disponible para la venta, también implica un incremento en
los costos de producción. Esto se debe a que existe una relación directa entre la cantidad de caña
ingresada y la producción de azúcar; es decir, a mayor volumen de caña, mayor producción, pero
también mayores costos. De la misma forma, si se ingresa menos caña, se produce menos azúcar y, en
consecuencia, los costos disminuyen.
CONCLUSIONES
La aplicación conjunta del método de transporte y el modelo de red de flujo máximo, desarrollados
mediante el software POM for Windows V5, ha permitido optimizar la asignación de recursos y analizar
la capacidad máxima en la línea de producción de azúcar. Aunque aún existen cuellos de botella que
limitan el flujo y generan acumulaciones en puntos críticos, estas técnicas han facilitado la
identificación de dichas restricciones y la optimización de costos operativos. La planeación agregada
basada en el método de transporte se presenta como la alternativa más eficiente, al maximizar la
producción y mantener los costos dentro de los límites controlados, favoreciendo una mejor gestión
logística y productiva en el ingenio estudiado. De esta forma, se sientan las bases para futuras mejoras
que permitan alcanzar niveles óptimos de producción y rentabilidad.
pág. 12462
Finalmente, la red de flujo máximo está estrechamente relacionada con la asignación óptima mediante
el método de transporte, ya que un aumento en la producción de azúcar genera un incremento en las
ventas y, por ende, puede requerir ajustes en la asignación de recursos. Por ello, entender y gestionar
estos puntos críticos es fundamental para mantener un equilibrio eficiente entre la capacidad de
producción, la asignación logística y los costos asociados, asegurando así la continuidad y rentabilidad
del proceso productivo.
DISCUSIÓN
La aplicación conjunta del modelo de red de flujo máximo y del método de transporte permitió
interpretar con precisión la dinámica operativa de la línea de producción azucarera, revelando tanto su
capacidad máxima como las limitaciones estructurales que condicionan su rendimiento. La
identificación de cuellos de botella en etapas clave del proceso, como los evaporadores y
centrifugadoras, evidenció la necesidad de intervenciones estratégicas para evitar acumulaciones que
afectan el ritmo productivo. Estos hallazgos resultan relevantes, ya que el rediseño de la asignación de
capacidades podría implicar mejoras considerables en eficiencia sin requerir grandes inversiones en
infraestructura. Por otro lado, el método de transporte aplicado a la planeación agregada demostró su
utilidad al equilibrar los costos de producción mediante una asignación óptima de recursos internos y
externos. El uso de una columna ficticia (dummy) para ajustar oferta y demanda confirmó su
flexibilidad para representar escenarios reales, y los resultados validan la viabilidad del modelo para
decisiones logísticas fundamentadas. En conjunto, esta investigación aporta una herramienta
metodológica robusta para el análisis y mejora de procesos industriales, especialmente útil en sectores
agroindustriales donde la eficiencia operativa incide directamente en la rentabilidad y sostenibilidad del
negocio.
REFERENCIAS BIBLIOGRAFICAS
Citra, Z., Ferial Ashadi, R., Dwiyanto Wibowo, P., Malinda, Y., Apdeni, R., Karno Kinasih, R., & Rizqi
Fitriansyah, E. (Julio de 2024). Analysis of Heavy Equipment Quantity using Quantitative
Methods Software (QM) for Windows V5 on Road Infrastructure Works. Jurnal Teknologi,
16(2), 203–212.
Finalmente, la red de flujo máximo está estrechamente relacionada con la asignación óptima mediante
el método de transporte, ya que un aumento en la producción de azúcar genera un incremento en las
ventas y, por ende, puede requerir ajustes en la asignación de recursos. Por ello, entender y gestionar
estos puntos críticos es fundamental para mantener un equilibrio eficiente entre la capacidad de
producción, la asignación logística y los costos asociados, asegurando así la continuidad y rentabilidad
del proceso productivo.
DISCUSIÓN
La aplicación conjunta del modelo de red de flujo máximo y del método de transporte permitió
interpretar con precisión la dinámica operativa de la línea de producción azucarera, revelando tanto su
capacidad máxima como las limitaciones estructurales que condicionan su rendimiento. La
identificación de cuellos de botella en etapas clave del proceso, como los evaporadores y
centrifugadoras, evidenció la necesidad de intervenciones estratégicas para evitar acumulaciones que
afectan el ritmo productivo. Estos hallazgos resultan relevantes, ya que el rediseño de la asignación de
capacidades podría implicar mejoras considerables en eficiencia sin requerir grandes inversiones en
infraestructura. Por otro lado, el método de transporte aplicado a la planeación agregada demostró su
utilidad al equilibrar los costos de producción mediante una asignación óptima de recursos internos y
externos. El uso de una columna ficticia (dummy) para ajustar oferta y demanda confirmó su
flexibilidad para representar escenarios reales, y los resultados validan la viabilidad del modelo para
decisiones logísticas fundamentadas. En conjunto, esta investigación aporta una herramienta
metodológica robusta para el análisis y mejora de procesos industriales, especialmente útil en sectores
agroindustriales donde la eficiencia operativa incide directamente en la rentabilidad y sostenibilidad del
negocio.
REFERENCIAS BIBLIOGRAFICAS
Citra, Z., Ferial Ashadi, R., Dwiyanto Wibowo, P., Malinda, Y., Apdeni, R., Karno Kinasih, R., & Rizqi
Fitriansyah, E. (Julio de 2024). Analysis of Heavy Equipment Quantity using Quantitative
Methods Software (QM) for Windows V5 on Road Infrastructure Works. Jurnal Teknologi,
16(2), 203–212.
pág. 12463
Lotfi, R., Gholamrezaei, A., Kadłubek, M., Afshar, M., Ali, S., & Kheiri, K. (2022). A robust and
resilience machine learning for forecasting agri-food production. Scientific Reports, 12(1). doi:
https://doi.org/10.1038/s41598-022-26449-8
Almeida, O., Arias, V., & Vargas, W. (2023). Gestión inteligente de los datos en la agroindustria. Revista
Alfa, 7(19), 139-152. doi: https://doi.org/10.33996/revistaalfa.v7i19.204
Doliente, S., & Samsatli, S. (2020). Integrated production of food, energy, fuels and chemicals from
rice crops: Multi-objective optimisation for efficient and sustainable value chains. Journal of
Cleaner Production, 285. doi: https://doi.org/10.1016/j.jclepro.2020.124900
Essien, E., Dzisi, K., & Addo, A. (2018). Decision support system for designing sustainable multi-
stakeholder networks of grain storage facilities in developing countries. Computers and
Electronics in Agriculture, 147, 126-130. doi: https://doi.org/10.1016/j.compag.2018.02.019
Giallombardo, G., Mirabelli, G., & Solina, V. (2021). An Integrated Model for the Harvest, Storage,
and Distribution of Perishable Crops. Applied Sciences, 11(15x). doi:
https://doi.org/10.3390/app11156855
Gómez Dueñas, M., Manrique Guarin, L., Romero-Riaño, E., & Ardila Becerra, L. (2019). Agri-food
systems: A regional perspective in innovation capabilities. ENTRAMADO, 15(2), 242-254. doi:
https://doi.org/10.18041/1900-3803/entramado.2.5707
Jiang, D., Hassan, M., Faiz, T., & Noor‐E‐Alam, M. (2018). A Possibility Distribution Based Multi-
Criteria Decision Algorithm for Resilient Supplier Selection Problems. arXiv (Cornell
University), 1(1). doi:https://arxiv.org/abs/1806.01650
Mendoza, C., Sanín, F., Leo, R., & Rebollo, H. (2021). Estrategias para cubrir la demanda insatisfecha
en una fábrica alimenticia. arXiv (Cornell University). doi: https://arxiv.org/abs/2103.10998
Mukherjee, T., Sangal , I., Sarkar, B., & Alkadash, T. (2022). Estimación matemática del flujo máximo
de mercancías dentro de un cross-dock para reducir el inventario. Biociencias Matemáticas e
Ingeniería., 19(12), 13710-13731. doi:10.3934/mbe.2022639
Mukherjee, T., Sangal, I., Sarkar, B., & Ahmed Almaamari, Q. (2022). Modelos logísticos para
minimizar el coste de manipulación de materiales dentro de un cross-dock. Biociencias
Matemáticas e Ingeniería, 2(20), 3099-3119. doi:10.3934/mbe.2023146
Lotfi, R., Gholamrezaei, A., Kadłubek, M., Afshar, M., Ali, S., & Kheiri, K. (2022). A robust and
resilience machine learning for forecasting agri-food production. Scientific Reports, 12(1). doi:
https://doi.org/10.1038/s41598-022-26449-8
Almeida, O., Arias, V., & Vargas, W. (2023). Gestión inteligente de los datos en la agroindustria. Revista
Alfa, 7(19), 139-152. doi: https://doi.org/10.33996/revistaalfa.v7i19.204
Doliente, S., & Samsatli, S. (2020). Integrated production of food, energy, fuels and chemicals from
rice crops: Multi-objective optimisation for efficient and sustainable value chains. Journal of
Cleaner Production, 285. doi: https://doi.org/10.1016/j.jclepro.2020.124900
Essien, E., Dzisi, K., & Addo, A. (2018). Decision support system for designing sustainable multi-
stakeholder networks of grain storage facilities in developing countries. Computers and
Electronics in Agriculture, 147, 126-130. doi: https://doi.org/10.1016/j.compag.2018.02.019
Giallombardo, G., Mirabelli, G., & Solina, V. (2021). An Integrated Model for the Harvest, Storage,
and Distribution of Perishable Crops. Applied Sciences, 11(15x). doi:
https://doi.org/10.3390/app11156855
Gómez Dueñas, M., Manrique Guarin, L., Romero-Riaño, E., & Ardila Becerra, L. (2019). Agri-food
systems: A regional perspective in innovation capabilities. ENTRAMADO, 15(2), 242-254. doi:
https://doi.org/10.18041/1900-3803/entramado.2.5707
Jiang, D., Hassan, M., Faiz, T., & Noor‐E‐Alam, M. (2018). A Possibility Distribution Based Multi-
Criteria Decision Algorithm for Resilient Supplier Selection Problems. arXiv (Cornell
University), 1(1). doi:https://arxiv.org/abs/1806.01650
Mendoza, C., Sanín, F., Leo, R., & Rebollo, H. (2021). Estrategias para cubrir la demanda insatisfecha
en una fábrica alimenticia. arXiv (Cornell University). doi: https://arxiv.org/abs/2103.10998
Mukherjee, T., Sangal , I., Sarkar, B., & Alkadash, T. (2022). Estimación matemática del flujo máximo
de mercancías dentro de un cross-dock para reducir el inventario. Biociencias Matemáticas e
Ingeniería., 19(12), 13710-13731. doi:10.3934/mbe.2022639
Mukherjee, T., Sangal, I., Sarkar, B., & Ahmed Almaamari, Q. (2022). Modelos logísticos para
minimizar el coste de manipulación de materiales dentro de un cross-dock. Biociencias
Matemáticas e Ingeniería, 2(20), 3099-3119. doi:10.3934/mbe.2023146
pág. 12464
Nilakantan, K. (2019). Supply chain resilience to sudden and simultaneous lead-time and demand
disturbances. International Journal of Supply Chain and Operations Resilience, 3(4), 292. doi:
https://doi.org/10.1504/ijscor.2019.099455
Nurhasanah, N., Mangunwidjaja, D., & Romli, M. (2020). A conceptual framework on the design of
intelligent supply chain for natural fibre agroindustry. AIP conference proceedings, 2217. doi:
https://doi.org/10.1063/5.0000742
Palacio, I. (2021). Oportunidades para la transformación digital de la cadena de suministro del sector
bananero basado en software con inteligencia artificial. Revista Politécnica, 17(33), 47-63. doi:
https://doi.org/10.33571/rpolitec.v17n33a4
Rahbari, M., Arshadi Khamseh, A., & Mohammadi, M. (2023). Optimización robusta y análisis
estratégico para la cadena de suministro agroalimentaria en tiempos de crisis: estudio de caso
de una economía emergente. Sistemas expertos con aplicaciones(225).
doi:10.1016/j.eswa.2023.120081
Rofiq Mulyarto, A., Aminah, S., & Astuti, R. (2025). Asignación de caña de azúcar a los ingenios
azucareros de la provincia de Java Oriental: enfoque de distribución espacial y método de
transporte. BIO Web de Congresos(165). doi:10.1051/bioconf/202516502003
Sadrabadi, M., Ghousi, R., & Makui, A. (2021). Designing a disruption-aware supply chain network
considering precautionary and contingency strategies: a real-life case study. RAIRO -
Operations Research, 55(5), 2827-2860. doi: https://doi.org/10.1051/ro/2021123
Sinaga, T., & Bahagia, S. (2019). Integrated Logistics and Transportation Routing in Rural Logistics
System. IOP Conference Series Materials Science and Engineering, 528(1). doi:
https://doi.org/10.1088/1757-899x/528/1/012081
Singh, C., Soni, G., & Badhotiya, G. (2019). Performance indicators for supply chain resilience: review
and conceptual framework. Journal of industrial engineering international, 15, 105-117.
Singh, R., & Kumar, P. (2021). Strategic framework for developing resilience in Agri-Food Supply
Chains during COVID 19 pandemic. International Journal of Logistics Research and
Applications, 25(11), 1411-1424. doi: https://doi.org/10.1080/13675567.2021.1908524
Nilakantan, K. (2019). Supply chain resilience to sudden and simultaneous lead-time and demand
disturbances. International Journal of Supply Chain and Operations Resilience, 3(4), 292. doi:
https://doi.org/10.1504/ijscor.2019.099455
Nurhasanah, N., Mangunwidjaja, D., & Romli, M. (2020). A conceptual framework on the design of
intelligent supply chain for natural fibre agroindustry. AIP conference proceedings, 2217. doi:
https://doi.org/10.1063/5.0000742
Palacio, I. (2021). Oportunidades para la transformación digital de la cadena de suministro del sector
bananero basado en software con inteligencia artificial. Revista Politécnica, 17(33), 47-63. doi:
https://doi.org/10.33571/rpolitec.v17n33a4
Rahbari, M., Arshadi Khamseh, A., & Mohammadi, M. (2023). Optimización robusta y análisis
estratégico para la cadena de suministro agroalimentaria en tiempos de crisis: estudio de caso
de una economía emergente. Sistemas expertos con aplicaciones(225).
doi:10.1016/j.eswa.2023.120081
Rofiq Mulyarto, A., Aminah, S., & Astuti, R. (2025). Asignación de caña de azúcar a los ingenios
azucareros de la provincia de Java Oriental: enfoque de distribución espacial y método de
transporte. BIO Web de Congresos(165). doi:10.1051/bioconf/202516502003
Sadrabadi, M., Ghousi, R., & Makui, A. (2021). Designing a disruption-aware supply chain network
considering precautionary and contingency strategies: a real-life case study. RAIRO -
Operations Research, 55(5), 2827-2860. doi: https://doi.org/10.1051/ro/2021123
Sinaga, T., & Bahagia, S. (2019). Integrated Logistics and Transportation Routing in Rural Logistics
System. IOP Conference Series Materials Science and Engineering, 528(1). doi:
https://doi.org/10.1088/1757-899x/528/1/012081
Singh, C., Soni, G., & Badhotiya, G. (2019). Performance indicators for supply chain resilience: review
and conceptual framework. Journal of industrial engineering international, 15, 105-117.
Singh, R., & Kumar, P. (2021). Strategic framework for developing resilience in Agri-Food Supply
Chains during COVID 19 pandemic. International Journal of Logistics Research and
Applications, 25(11), 1411-1424. doi: https://doi.org/10.1080/13675567.2021.1908524
pág. 12465
Viet, N., Behdani, B., & Bloemhof‐Ruwaard, J. (2019). Data-driven process redesign: anticipatory
shipping in agro-food supply chains. International Journal of Production Research, 58(5),
1302-1318. doi: https://doi.org/10.1080/00207543.2019.1629673
Zanoni, S., Ferretti, I., & Mazzoldi, L. (2017). Supply chain network design under uncertain demand:
robust and stable optimisation approaches. International Journal of Inventory Research, 4, 172.
doi: https://doi.org/10.1504/ijir.2017.088761
Viet, N., Behdani, B., & Bloemhof‐Ruwaard, J. (2019). Data-driven process redesign: anticipatory
shipping in agro-food supply chains. International Journal of Production Research, 58(5),
1302-1318. doi: https://doi.org/10.1080/00207543.2019.1629673
Zanoni, S., Ferretti, I., & Mazzoldi, L. (2017). Supply chain network design under uncertain demand:
robust and stable optimisation approaches. International Journal of Inventory Research, 4, 172.
doi: https://doi.org/10.1504/ijir.2017.088761